2026年机器学习工程师考试题库（附答案和详细解析）（0130）.docxVIP

机器学习工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪项属于监督学习任务？

A.对用户评论进行情感分类（正面/负面）

B.对客户交易数据进行聚类分析

C.使用PCA对高维特征降维

D.通过自编码器学习数据潜在表示

答案：A

解析：监督学习需要标注的训练数据（标签），情感分类任务中“正面/负面”是明确的标签（A正确）。聚类（B）、降维（C）、自编码器（D）均属于无监督学习，无需标签。

逻辑回归模型中，常用的损失函数是？

A.均方误差（MSE）

B.交叉熵损失（Cross-Entropy）

C.铰链损失（HingeLoss）

D.指数损失（ExponentialLoss）

答案：B

解析：逻辑回归用于二分类，目标是最小化预测概率与真实标签的差异，交叉熵损失（B）直接衡量概率分布的差异。MSE（A）用于回归任务；HingeLoss（C）是SVM的损失函数；指数损失（D）常见于AdaBoost。

以下哪种方法不能缓解过拟合？

A.增加训练数据量

B.降低模型复杂度（如减少神经网络层数）

C.对输入特征进行归一化

D.对模型参数施加L2正则化

答案：C

解析：过拟合的核心是模型对训练数据过度拟合，泛化能力差。归一化（C）是特征预处理步骤，用于消除量纲影响，与缓解过拟合无关。增加数据（A）、降低复杂度（B）、正则化（D）均是经典的过拟合缓解方法。

随机森林（RandomForest）的基学习器是？

A.线性回归模型

B.支持向量机（SVM）

C.决策树

D.神经网络

答案：C

解析：随机森林是Bagging集成方法，基学习器为多棵决策树（C正确）。其他选项（A/B/D）均不是随机森林的基学习器。

在二分类任务中，若正样本占比仅1%，最适合的评估指标是？

A.准确率（Accuracy）

B.F1值

C.均方误差（MSE）

D.R方（R2）

答案：B

解析：数据不平衡时，准确率（A）会因多数类主导而失真（如全预测为负样本准确率99%）。F1值综合精确率和召回率（B正确），更适合不平衡数据。MSE（C）、R2（D）用于回归任务。

以下哪项是梯度下降算法的优化目标？

A.最大化模型在训练集上的准确率

B.最小化损失函数值

C.最大化特征之间的相关性

D.最小化模型参数的数量

答案：B

解析：梯度下降是优化算法，通过迭代更新参数使损失函数（如交叉熵、MSE）最小化（B正确）。其他选项（A/C/D）均非梯度下降的直接目标。

卷积神经网络（CNN）中，卷积层的主要作用是？

A.减少参数数量

B.提取局部空间特征

C.引入非线性变换

D.整合全局信息

答案：B

解析：卷积层通过滑动窗口（卷积核）提取输入数据的局部空间特征（如图像的边缘、纹理）（B正确）。减少参数通过权值共享实现（非主要作用）；非线性由激活函数（如ReLU）引入（C）；全局信息整合由全连接层完成（D）。

以下哪种技术属于特征工程中的特征提取？

A.对类别特征进行独热编码（One-HotEncoding）

B.计算用户年龄与收入的乘积作为新特征

C.使用主成分分析（PCA）降维

D.对缺失值用均值填充

答案：C

解析：特征提取是从原始特征中生成更具代表性的新特征（如降维、抽象特征）。PCA（C）通过线性变换提取主成分，属于特征提取。独热编码（A）、构造交叉特征（B）、填充缺失值（D）属于特征构造或清洗。

强化学习中，“奖励函数”的主要作用是？

A.定义智能体的目标

B.提供监督学习的标签

C.优化模型的参数初始化

D.减少状态空间的维度

答案：A

解析：奖励函数是强化学习的核心，用于量化智能体在环境中执行动作的“好坏”，从而引导其学习最优策略（A正确）。标签（B）是监督学习的输入；参数初始化（C）、状态空间（D）与奖励函数无关。

以下哪项是LSTM（长短期记忆网络）的关键设计？

A.门控机制（GatingMechanism）

B.局部感受野

C.权值共享

D.多头注意力

答案：A

解析：LSTM通过输入门、遗忘门、输出门控制信息的传递与遗忘，解决RNN的长期依赖问题（A正确）。局部感受野（B）、权值共享（C）是CNN的特点；多头注意力（D）是Transformer的核心。

二、多项选择题（共10题，每题2分，共20分）（每题至少2个正确选项）

以下属于集成学习（EnsembleLearning）方法的有？

A.随机森林（RandomForest）

B.梯度提升树（GBDT）

C.K近邻（KNN）

D.支持向量机（SVM）

答案：AB

解析：集成学习通过组合多个基模型提升性能。随机森林（A）是Bagging的代表，GBDT（B）是Boosting的代表。KNN（C）、